Utilize este identificador para referenciar este registo:
https://hdl.handle.net/1822/83243
Título: | Shopping trends: a machine learning approach to recommendation systems to improve customer loyalty |
Autor(es): | Lacerda, Paulo Henrique Alves de |
Orientador(es): | Fernandes, João M. |
Palavras-chave: | Recommendation system Machine learning Clustering Web application Python Loyalty program Retail Modelo de recomendação Aplicação web Programa de lealdade Retalho |
Data: | 2022 |
Resumo(s): | Digital disruption continues to grow in retail, forcing retailers to get to better know their users and their shopping
habits. In this process, it is clear that personalized experiences for each individual user are increasingly more
attractive.
Described in this document is the development process of a recommendation system (alternatively called
recommender system) that takes into consideration a user’s purchase history and the respective appreciation of
products. This model uses Machine Learning, specifically a clustering model, to learn about users’ preferences
and make new and personalized recommendations.
The process began with state-of-the-art extensive research on recommendation systems, implementing the
model using machine learning, and respective evaluation of the model using specific metrics. In the end, a simple
web application was created, using the Python programming language, where the results of the recommendation
system were shown.
In this application, the recommendations are organized into three different parts. One where the recommendations
are shown based on the user’s history and preferences, considering stock values to help retailers balance
their stock while selling, another part where it recommends whatever the retailer thinks is best, and finally, the
last part recommends products most bought and rated by all users.
Besides the recommendations, a loyalty program was also created that gives bonuses to users as they buy and
earn points. A disrupção digital continua a crescer no retalho, fazendo com que os retalhistas tenham que conhecer cada vez melhor os consumidores e os seus hábitos.Nesse processo é evidente que experiências personalizadas para cada utilizador são cada vez mais atraentes. Descrito neste documento está todo o processo de desenvolvimento de um modelo de recomendação que tem em conta o histórico de compras dos utilizadores e as suas respectivas avaliações dos produtos. Modelo este que usa machine learning, mais especificamente um modelo de clustering, para aprender os tais gostos dos utilizadores e fazer recomendações personalizadas de novos produtos. O processo passou por uma extensiva pesquisa do state-of-the-art de sistemas de recomendações, na implementação do modelo usando machine learning e respectiva avaliação do modelo com métricas específicas. No final foi criada uma aplicação web, feita toda ela na linguagem Python, onde se demonstram os resultados das recomendações. Nessa aplicação as recomendações foram dispostas em três partes, uma onde se recomendam com base no histórico do utilizador, tendo em conta também o stock disponível dos produtos para ajudar os retalhistas a fazer um balanceamento do stock, uma outra parte onde se recomenda com base no que o retalhista acha melhor e finalmente na terceira parte recomenda-se os produtos mais comprados e bem avaliados por todos os utilizadores. Além das recomendações, também foi criado um programa de lealdade que vai dando bonificações aos utilizadores à medida que estes vão comprando produtos e ganhando pontos. |
Tipo: | Dissertação de mestrado |
Descrição: | Dissertação de mestrado integrado em Informatics Engineering |
URI: | https://hdl.handle.net/1822/83243 |
Acesso: | Acesso aberto |
Aparece nas coleções: | BUM - Dissertações de Mestrado DI/CCTC - Dissertações de Mestrado (master thesis) |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Paulo-Henrique-Lacerda-dissertação-final.pdf | 2,1 MB | Adobe PDF | Ver/Abrir |
Este trabalho está licenciado sob uma Licença Creative Commons